大语言模型融合知识图谱的风电运维问答系统研究

风电场运维工作高度依赖现场实践经验,而行业内人员高流动性带来经验传递难题,传统知识库和问答系统日益暴露出其局限性。为提高问答系统在专业领域的适用性和可靠性,设计了一种融合大型语言模型和知识图谱的风电运维问答系统,通过语义理解和关联性分析,整合结构化与非结构化数据,提供全面、准确的专业回答。主、客观评价表明,该专业问答模型的准确性、连贯性及信息量均优于某中文大语言模型及ChatGLM模型,不仅提升了风电运维的效率,也为行业知识传承和更新提供了解决方案。

基于多尺度特征提取的风机音频信号故障诊断方法研究

针对风机传动链部件音频信号成分复杂,依靠单一特征提取方法难以实现故障识别的问题,提出了一种基于多尺度特征提取的风机主轴音频信号故障诊断方法。首先,采集风机传动链部件的音频文件,将其转换为数字信号后对数据进行了预处理;然后,对音频信号进行了多尺度特征提取,从时域、频域和倒谱域3个维度提取了5大特征,组成了多维复合特征矩阵,并对提取的特征进行了分析及降维;最后,利用支持向量机(SVM)分类预估器对多维复合特征矩阵进行了有监督学习,并使用粒子群算法(PSO)对SVM参数选择过程进行了优化,并通过多组对比实验,对PSO-SVM分类预估器在音频信号模式分类上的性能进行了验证。研究结果表明:所提取的多尺度特征能很好地表征音频信号的信息,具备一定的鲁棒性;使用经PSO优化后的SVM分类模型,对风机传动链部件音频信号模式识别的准确率可达98%以上,并具备良好的泛化能力。

EM算法的参数分辨率

参数分辨率是在给定噪声情况下,衡量两个相近信号能否区分开的一个标准,为敏感参数、有效精度以及准确度的衡量提供了评估的"尺子".该文以EM算法为基础,结合Fisher线性判别准则的思想,给出EM算法参数分辨率的定义,并以两正态混合模型为例进行验证.实验表明两个方差为0.1的正态分布其均值距离大于0.206时,EM算法在90%的置信度下可以区分这两个分布,通过构建实验结果和理论推导之间的联系,得到不同置信度下的比例因子图.参数分辨率的提出,为准确度的衡量提供一个定量指标,也为相近信号的区分提供新的解决方案.

EM算法的ε-加速及在有限混合模型中的应用

为解决EM算法对初始值比较敏感,易陷入局部最优和当模型缺失变量或隐变量的比例较高时收敛速度慢等问题,本文首先采用经典的K-means聚类算法进行初始值选取,使得初始值更加接近EM序列的稳定点,在一定程度上能避免EM序列陷入局部极值,然后采用ε-加速算法进行加速,即K-means+ε-加速EM算法,并比较不同情况加速的EM算法在有限混合模型参数估计中的时间成本和精度大小。数值结果表明:在不降低精度的情况下K-means+ε-加速EM算法在各种条件下均能够大大加快EM算法的收敛速度。